前言：為什麼 p 值不顯著也沒關係？

在 前導研究 (Pilot Study) 或 小樣本 (Small N) 的情況下，統計檢定力 (Power) 通常不足，導致 p 值常徘徊在 0.05 ~ 0.15 之間，甚至更高。這不代表沒有效果，而是代表我們需要用不同的角度來看數據。

本報告採用三種進階視角，幫助您評估效果的真實性與潛力：

  1. 估計統計圖 (Gardner-Altman Plot)：直接看「差異的分佈」，而不只是 p 值。
  2. 貝氏因子 (Bayes Factor)：用證據強度說話（資料支持有效果的倍率）。
  3. 森林圖 (Forest Plot)：看每位受試者的效果方向是否一致。

1. 效果量估計 (Gardner-Altman Plot)

此圖表由 dabestr 套件生成。 * 左側：原始數據點與平均值。 * 右側：兩組之間的 平均差 (Mean Difference) 及其 95% Bootstrap 信賴區間。 * 解讀重點：如果右側的黑色區間 大部分位於 0 線上方，即使 p 值不顯著，也強烈暗示效果存在且方向穩定。

1b. 行為資料快速視覺化（整體）

說明：本段為離線可開啟之互動式圖表（Plotly）。

1c. 檢定力與樣本數估計 (Power / Sample Size)

本節將前導研究中「受試者內差值」（例如 Incongruent − Congruent）轉為 GPower 可用的配對效應量 dz，並以配對樣本 t* 檢定之近似公式估計達到目標 power 所需的受試者數 N（pairs）。

2. 貝氏因子分析 (Bayesian Analysis)

我們使用 Bayes Factor (BF10) 來量化證據強度。 BF10 代表「H1 (有效果) 模型解釋資料的能力是 H0 (沒效果) 的幾倍」。

解讀： 若 BF10 在 1~3 之間，代表雖然支持有效果，但證據還不夠強（資料量不足），這正是 Pilot Study 常見的情況，建議增加樣本數。

3. 個體效應森林圖 (Forest Plot)

檢視每一位受試者的一致性效應 (CE = Inc - Con)。 * 點：該受試者的 CE 值。 * 線：該受試者的試驗內變異 (SE)。 * 虛線：0 (無效應)。

如果大多數點都落在 0 的右側（正值），代表效果具有 普遍性 (Generality)，並非由少數極端值驅動。

總結建議

根據上述三項指標：

  1. Gardner-Altman 圖 是否顯示大多數差值分佈在 0 以上？
  2. 貝氏因子 是否大於 1（甚至大於 3）？
  3. 森林圖 是否顯示多數受試者的一致性效應為正值？

若三者皆傾向支持，即使目前 p 值僅有 0.1，您也有充分理由宣稱：「本前導研究觀察到穩定的效果趨勢，值得擴大樣本數進行正式實驗。」